PENERAPAN ALGORITMA GENETIKA PADA OPTIMASI MODEL PENUGASAN. Wayan Firdaus Mahmudy Jurusan Matematika, FMIPA, Universitas Brawijaya ABSTRAK
|
|
- Yuliana Susanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN ALGORITMA GENETIKA PADA OPTIMASI MODEL PENUGASAN Wayan Firdaus Mahmudy Jurusan Matematika, FMIPA, Universitas Brawijaya ABSTRAK Model penugasan (assignment model) merupakan kasus khusus dari model pemrograman linier (linear programming). Karakteristik khusus yang ada pada model khusus ini diantaranya ialah cenderung membutuhkan pembatas (constrains) dan variabel yang sangat banyak sehingga penggunaan komputer dalam penyelesaiannya dengan model matematis (misalnya dengan metode simplex) akan sangat mahal atau proses perhitungannya sangat panjang dan tidak praktis. Masalah akan bertambah jika ada pembatas khusus yang sulit dibuat model matematikanya. Pada penelitian ini digunakan algoritma genetika untuk menyelesaikan masalah penugasan. Algoritma genetika merupakan salah satu metode heuristik yang merupakan cabang dari evolutionary algorithm, yaitu suatu teknik untuk memecahkan masalah-masalah optimasi yang rumit dengan menirukan proses evolusi mahluk hidup. Masalah penugasan yang diselesaikan dalam penelitian ini adalah masalah penugasan mengajar dosen. Setiap dosen diberi formulir untuk memilih matakuliah mulai dari yang paling disukai. Semakin tinggi tingkatan kesukaan dosen terhadap matakuliah tertentu berarti biayanya (dalam matriks biaya/cost) semakin rendah. Implementasi algoritma genetika dengan program komputer menghasilkan keluaran pembagian mengajar dosen dengan total biaya terkecil. Solusi yang dihasilkan sama dengan solusi dari metode deterministik menggunakan metode simplex. Waktu penyelesaiannya juga relatif cepat. Pada matriks biaya berukuran 16 x 16 solusi optimal dihasilkan dalam waktu kurang dari 5 detik. ABSTRACT Assignment model is a special case a linear programming. Special characteristic on this model needs much constrains. Using a software to find solution with mathematic model will be very expensive and unpractical. This research applies genetic algorithm to find the solution of assignment model. Assignment problem to be solved is lecturer assignment. Every lecturer chooses some favourite course. Higher favorite course degree has lower cost. An implementation of genetic algorithm by using software produce solutions of lecturer assignment with smallest cost. This solutions are equivalent with deterministic method using simplex methods. On cost matrix has 16 x 16 size, optimal solutions produced less than 5 seconds. 1. Pendahuluan Model penugasan (assignment model) merupakan kasus khusus dari model pemrograman linier (linear programming). Karakteristik khusus yang ada pada model khusus ini diantaranya ialah cenderung membutuhkan pembatas (constrains) dan variabel yang sangat banyak sehingga penggunaan komputer dalam penyelesaiannya dengan model matematis (misalnya dengan metode simplex) akan sangat mahal atau proses perhitungannya sangat panjang dan tidak praktis. Masalah akan bertambah jika ada pembatas khusus yang sulit dibuat model matematikanya (Taha, 1993). Untuk mengatasi kasus khusus seperti di atas dapat digunakan metode heuristik, yaitu suatu metode pencarian yang didasarkan atas intuisi atau aturan-aturan empiris untuk memperoleh solusi yang lebih baik daripada solusi yang telah dicapai sebelumnya (Gen, 1997). Algoritma genetika merupakan salah satu metode heuristik yang merupakan cabang dari evolutionary algorithm, yaitu suatu teknik untuk memecahkan masalah-masalah optimasi yang rumit dengan menirukan proses evolusi mahluk hidup. Algoritma genetika berkembang seiring dengan perkembangan teknologi informasi yang sangat pesat. Algoritma ini banyak digunakan dalam bida ng fisika, biologi, ekonomi, sosiologi dan lain-lain yang sering menghadapi masalah optimasi yang model matematikanya kompleks atau ba hkan sulit dibangun (Rennard, 2000). 1
2 Model Penugasan Pada model penugasan terdapat sejumlah m sumber ditugaskan kepada sejumlah n tujuan (satu sumber untuk satu tujuan) sedemikian sehingga didapat ongkos total minimum. Biasanya yang dimaksud dengan sumber ialah pekerjaan (atau pekerja), sedangkan yang dimaksud dengan tujuan ialah mesin-mesin (dalam masalah pendidikan pekerja adalah dosen dan mesin adalah mata kuliah). Jadi terdapat m pekerjaan yang ditugaskan kepada n mesin yang apabila pekerjaan i (i =1,2,3,,m) ditugaskan kepada mesin j (j =1,2,3,,n) akan muncul ongkos penugasan c ij. Karena satu pekerjaan ditugaskan hanya pada satu mesin, maka supply yang dapat digunakan pada setiap sumber adalah 1. (atau a i =1, untuk seluruh i). Demikian pula halnya dengan mesin-mesin; karena satu mesin hanya dapat menerima satu pekerjaan, maka demand dari setiap tujuan adalah 1(atau b j =1, untuk seluruh j). Jika ada suatu pekerjaan yang tidak dapat ditugaskan pada mesin tertentu, maka c ij yang berkorespondensi dengannya dinyatakan sebagai M yang merupakan ongkos yang sangat tinggi (Taha, 1993). Penggambaran umum persoalan penugasan adalah sebagai berikut: Mesin 1 2 N 1 C 11 c 12 c 1n Pekerjaan 2 C 21 c 22 c 2n m c m1 c m2 c mn Secara matematis, model penugasan dapat dinyatakan sebagai berikut: x ij 0, 1, jika pekerjaan ke - i tidak ditugaskan pada mesin ke - j jika pekerjaan ke - i ditugaskan Dengan demikian, model persoalan penugasan ini adalah: Minimumkan: z = c ij x ij i=1 j=1 berdasarkan pembatas: m x ij = 1, j=1 n m i=1,2,,n pada mesin ke - j n x ij = 1, i=1 j=1,2,,m x ij = 0 atau 1 Dalam dunia pendidikan terdapat masalah seperti: - jika seorang dosen sudah ditugaskan di mata kuliah semester satu maka penugasan kedua adalah pada mata kuliah semester lima. - ada penugasan paralel yang berkaitan, misalnya seorang dosen yang ditugaskan mengajar di program Strata Satu dan Strata Dua. Jika dosen A mengajar di Strata Satu lebih dari 5 sks maka penugasan di Strata Dua maksimal 3 sks - jika dosen A mengajar mata kuliah X maka dia juga harus mengajar mata kuliah Y. Algoritma Genetika Algoritma genetika adalah salah satu cabang evolutionary algorithms, yaitu suatu teknik optimasi yang didasarkan pada genetika alami. Dalam algoritma genetika untuk menghasilkan suatu solusi optimal, 2
3 proses pencarian dilakukan di antara sejumlah alternatif titik optimal berdasarkan fungsi probabilistik. Apabila dibandingkan dengan prosedur pencarian dan optimasi biasa, algoritma genetik a berbeda dalam beberapa hal sebagai berikut (Michalewicz,1996): Manipulasi dilakukan terhadap kode dari himpunan parameter, tidak secara langsung terhadap parameternya sendiri. Proses pencarian dilakukan dari suatu titik populasi, tidak dari satu titik saja. Proses pencarian menggunakan informasi dari fungsi tujuan. Pencariannya menggunakan stochastic operators yang bersifat probabilistik, tidak menggunakan aturan deterministik. Masalah utama pada algoritma genetika adalah bagaimana memetakan satu masalah menjadi satu string kromosom. Siklus perkembangan algoritma genetik diawali dengan pembuatan himpu nan solusi baru (initialization) yang terdiri atas sejumlah string kromosom dan ditempatkan pada penampungan populasi. Kemudian dilakukan proses reproduksi dengan memilih individu -individu yang akan dikembangbiakkan. Penggunaan operator-operator genetik seperti pindah silang (crossover) dan mutasi (mutation) terhadap individu-individu yang terpilih dalam penampungan individu akan menghasilkan keturunan atau generasi baru. Setelah proses evaluasi untuk perbaikan populasi, maka generasi -generasi baru ini akan menggantikan himpunan populasi asal. Siklus ini akan berlangsung berulang kali sampai tidak dihasilkan perbaikan keturunan, atau sampai kriteria optimum ditemukan. Apabila P(t) dan C(t) merupakan parents dan children pada generasi ke-t, maka struktur umum algoritma genetika dapat dideskripsikan sebagai berikut: procedure AlgoritmaGenetika begin t = 0 inisialisasi P(t) while (bukan kondisi berhenti) do evaluasi P(t) seleksi P(t) reproduksi C(t) dari P(t) bentuk P(t+1) dari P(t) dan C(t) terbaik t = t + 1 end while end Inisialisasi Populasi Siklus perkembangan algoritma genetik diawali dengan pembuatan himpunan solusi baru (initialization) yang terdiri atas sejumlah string kromosom dan ditempatkan pada penampungan populasi. Populasi awal sebagai daerah pencarian solusi optimal dibangkitkan secara acak. Representasi kromosom diperlukan untuk menjelaskan setiap individu dalam populasi. Setiap individu atau kromosom tersusun atas urutan gen dari suatu alphabet. Suatu alfabet dapat t erdiri dari digit biner (0 dan 1), floating point, integer, symbol-simbol (seperti A, B, C), matriks, dan lain sebagainya (Houck, 1999). Pada masalah penugasan mengajar dosen misalkan terdapat 10 mata kuliah dan 5 orang dosen maka bisa dibuat individu / kromosom pertama sebagai berikut: Gambar 1. Individu Pertama Panjang kromosom sesuai dengan banyaknya matakuliah. Angka dalam setiap sel (gen) merupakan nomer dosen. Dari Gambar 1 bisa dibaca dosen ke-1 memegang mata kuliah ke-1 dan ke-2. Dosen ke-2 memegang mata kuliah ke-3 dan ke-4, demikian seterusnya. Pada Gambar 1 diasumsikan setiap dosen memegang dua mata kuliah. Jika diinginkan banyaknya matakuliah yang dipegang tidak sama maka bisa dibuat sebagai berikut: 3
4 Gambar 2. Individu Pertama dengan Distribusi Gen Tidak Merata Evaluasi Individu Hal penting dalam algoritma genetika adalah pemilihan individu / kromosom untuk menghasilkan keturunan berikutnya. Pemilihan dilakukan berdasarkan nilai kesesuaian ( fitness value) setiap individu. Pada masalah penugasan terdapat matriks biaya. Dari setiap individu bisa dihitung biaya total. Karena tujuan optimasi adalah meminimalkan total biaya maka fitness value bisa dihitung sebagai berikut: fitness value = konstanta total biaya Konstanta dihitung dengan cara menjumlahkan nilai elemen matriks biaya terbesar pada tiap baris. Seleksi Populasi Seleksi merupakan proses untuk memilih individu yang akan menjadi induk pada proses reproduksi. Pemilihan dilakukan secara probabilistik. Individu yang mempunyai fitness value lebih besar mempunyai peluang lebih besar untuk menjadi induk dari individu berikutnya. Untuk setiap individu k dengan nilai fungsi fitness value f k maka peluang individu tersebut terpilih sebagai induk adalah: p k n f j1 k f j ; n : ukuran populasi Reproduksi Individu baru dihasilkan dari dua induk dengan melakukan tukar silang ( crossover). Tingkat tukar silang (crossover rate) yang tinggi memungkinkan eksplorasi daerah solusi dan mengurangi resiko pencar ian terjebak dalam local maksima. Namum hal ini membuat daerah pencarian terlalu luas. Tukar silang yang dipakai dalam penelitian ini adalah tukar silang 1 titik dengan memilih titik potong secara random dan mempertukarkan daerah sesudah titik tukar antar parents. Parent Parent Child Gambar 3 Ilustrasi tukar silang 1 titik. Individu yang baru terbentuk bisa mengalami proses mutasi. Gambar 4 di bawah ini menunjukkan bagaimana mutasi dilakukan. Individu Hasil mutasi Gambar 4 Ilustrasi mutasi dengan 2 titik tukar 4
5 2. Metode Penelitian Data yang dipakai dalam penelitian ini adalah penugasan mengajar pada Program Studi Manajemen Informatika Jurusan Matematika, Fakultas MIPA Universitas Brawijaya. Setiap dosen diberi formulir untuk memilih matakuliah mulai dari yang paling disukai. Semakin tinggi tingkat kesukaan dosen terhadap matakuliah tertentu berarti biayanya (dalam matriks biaya/cost) semakin rendah. Data ini dikonversi menjadi matriks biaya. Jika dosen tidak memilih satu matakuliah maka pada matriks biaya akan diberi nilai 100. Matriks biaya ini menjadi masukan bagi algoritma genetika yang telah diimplementasikan dalam bentuk perangkat lunak. 3. Hasil Dan Pembahasan Perangkat lunak yang dibuat pada penelitian ini dikhususkan pada masalah penugasan mengajar dosen. Perangkat lunak menghasilkan output pembagian mengajar dosen dengan total biaya terkecil. Uji coba program dilakukan menggunakan komputer dengan prosesor Pentium IV dan memori 256 kb. Hasil ujicoba dibandingkan dengan solusi optimal yang dihasilkan dengan mencoba semua kemungkinan susunan pengajar. Uji Coba dengan Pembagian Kelas Merata Pada uji coba ini dimasukan data kesukaan dosen terhadap matakuliah sebagai berikut DAFTAR DOSEN Nama Beban MK Urutan MK Kesukaan 1. Ach. Ridok Achmad Basuki Bondan Dian Eka R Edi Santoso Kasyful Marji Muh.Arif Rahman Nurul Hidayat Wayan FM DAFTAR MATAKULIAH Matakuliah Kelas 1. Algoritma 1 2. Analisis Sistem Informasi 1 3. Arsitektur Komputer 1 4. Bahasa Pemrograman 1 (Pascal) 1 5. Bahasa Pemrograman 2 (Delphi) 1 6. Bahasa Pemrograman 3 (C++) 1 7. Bahasa Pemrograman 4 (Visual Basic) 1 8. Bahasa Pemrograman 5 (Prog Internet) 1 9. Basis Data Lanjutan Desain Multimedia 1 Sebelum diproses dengan algoritma genetika, program menghitung matriks biaya sebagai berikut:
6 Banyaknya baris matriks sesuai dengan banyaknya kelas matakuliah. Banyaknya kolom sesuai dengan banyaknya dosen. Nilai yang ada pada matriks di atas merupakan urut an kesukaan dosen terhadap matakuliah. Nilai 100 menunjukkan dosen tidak memilih matakuliah tersebut. Individu pertama (ukuran populasi=50) dibangkitkan secara acak. Pada akhir iterasi (iterasi ke-60, kondisi konvergen, waktu proses 3 detik) dihasilkan kromosom sebagai berikut Iterations 60 Chromosom Fitness Total Cost > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > > >
7 > > > > > > > > > Solusi terbaik (total biaya = 20) merupakan solusi optimal. Dengan mencoba semua kemungkinan diperlukan iterasi sebanyak 10! (sesuai banyaknya kelas) dengan waktu perhitungan 25 detik. Gambar 5 menunjukkan penurunan total biaya pada tiap iterasi. Gambar 5. Grafik total biaya tiap iterasi Dari hasil di atas program menghasilkan solusi penugasan sebagai berikut: DAFTAR DOSEN MATAKULIAH Matakuliah Dosen Algoritma Ach. Ridok 2. Analisis Sistem Informasi Marji 3. Arsitektur Komputer Edi Santoso 4. Bahasa Pemrograman 1 (Pascal) Kasyful 5. Bahasa Pemrograman 2 (Delphi) Dian Eka R 6. Bahasa Pemrograman 3 (C++) Muh.Arif Rahman 7. Bahasa Pemrograman 4 (Visual Basic) Wayan FM 8. Bahasa Pemrograman 5 (Prog Internet) Bondan 9. Basis Data Lanjutan Achmad Basuki 10. Desain Multimedia Nurul Hidayat Hasil percobaan selengkapnya dengan pembagian kelas merata adalah sebagai berikut Banyak Kelas Semua Kemungkinan Algoritma Genetika Solusi Optimum Waktu Solusi Terbaik Waktu
8 Dari tabel di atas bisa dilihat jika banyak kelas semakin besar maka algoritma genetika hanya menghasilkan solusi yang mendekati optimal tetapi waktu perhitungannya relatif kecil. Uji Coba dengan Pembagian Kelas Tidak Merata Pada uji coba ini dimasukan data kesukaan dosen terhadap matakuliah sebagai berikut: DAFTAR DOSEN Nama Beban MK Urutan MK Kesukaan 1. Ach. Ridok Achmad Basuki Bondan Dian Eka R Edi Santoso Kasyful Marji Muh.Arif Rahman Nurul Hidayat Wayan FM DAFTAR MATAKULIAH Matakuliah Kelas 1. Algoritma 1 2. Analisis Sistem Informasi 2 3. Arsitektur Komputer 3 4. Bahasa Pemrograman 1 (Pascal) 2 5. Bahasa Pemrograman 2 (Delphi) 1 6. Bahasa Pemrograman 3 (C++) 1 7. Bahasa Pemrograman 4 (Visual Basic) 1 8. Bahasa Pemrograman 5 (Prog Internet) 1 9. Basis Data Lanjutan Desain Multimedia Desain Web Grafika Komputer 1 Pada data di atas beban mengajar dosen tidak sama. Matriks biaya yang dihasilkan sebagai berikut:
9 Pada akhir iterasi (konvergen pada iterasi ke-110, waktu proses 4 detik) dihasilkan solusi terbaik dengan total biaya = 31 yang mendekati solusi optimal. Dengan mencoba semua kemungkinan dihasilkan solusi optimal dengan total biaya = 31, tetapi perhitungan ini memerlukan iterasi sebanyak 16! dengan waktu perhitungan perhitungan lebih dari 5 jam. Gambar 6 menunjukkan penurunan total biaya pada tiap iterasi. Gambar 8. Grafik total biaya tiap iterasi Dari hasil di atas program menghasilkan tampilan solusi sebagai berikut: DAFTAR DOSEN MATAKULIAH Matakuliah Dosen Algoritma Edi Santoso 2. Analisis Sistem Informasi Marji 3. Analisis Sistem Informasi Nurul Hidayat 4. Arsitektur Komputer Edi Santoso 5. Arsitektur Komputer Kasyful 6. Arsitektur Komputer Kasyful 7. Bahasa Pemrograman 1 (Pascal) Dian Eka R 8. Bahasa Pemrograman 1 (Pascal) Kasyful 9. Bahasa Pemrograman 2 (Delphi) Dian Eka R 10. Bahasa Pemrograman 3 (C++) Muh.Arif Rahman 11. Bahasa Pemrograman 4 (Visual Basic) Wayan FM 12. Bahasa Pemrograman 5 (Prog Internet) Bondan 13. Basis Data Lanjutan Achmad Basuki 14. Desain Multimedia Bondan 15. Desain Web Wayan FM 16. Grafika Komputer Ach. Ridok Pola hasil percobaan selengkapnya dengan pembagian kelas tidak merata hampir sama dengan pola 9
10 hasil percobaan dengan pembagian kelas merata. Pada banyak kelas sedikit, algoritma genetika memberikan hasil optimal, tapi jika banyak kelas semakin besar maka algoritma genetika hanya menghasilkan solusi yang mendekati optimal tetapi waktu perhitungannya relatif kecil. Kesimpulan Algoritma genetika dapat menyelesaikan masalah penugasan dosen dalam waktu yang cepat. Solusi optimal diperoleh jika banyaknya kelas sedikit, jika banyak kelas semakin besar maka algoritma genetika hanya menghasilkan solusi yang mendekati optimal. Saran Untuk mendapatkan hasil yang baik dan cepat, nilai tingkat tukar silang dan mutasi harus diatur sedemikian rupa. Perlu dilakukan penelitian untuk mendapatkan nilai ini secara otomatis bergantung masalah yang diselesaikan. DAFTAR PUSTAKA Gen, Mitsuo dan Cheng, Runwei (1997). Genetic Algorithms and Engineering Design. John Wiley & Sons. Houck, Christoper R, Jeffrey K dan Michael G Kay. (1999). A Genetic Algorithms for Function Optimization: A Matlab Implementation. ml. Michalewicz, Zbigniew. (1996). Genetic Algorithms + Data Structures = Evalution Programs. Springer. Rennard, JP. (2000). Genetic Algorithms Viewer. Taha, Hamdy A., (1993). Operations Research: An Introduction. Edisi ketiga. Macmillan Publishing Co, New York. 10
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciOptimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing
Optimasi Fungsi Tanpa Kendala Menggunakan Algoritma Genetika Dengan Kromosom Biner dan Perbaikan Kromosom Hill-Climbing Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciAPLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN
APLIKASI ALGORITMA GENETIKA UNTUK PENENTUAN TATA LETAK MESIN Hari Purnomo, Sri Kusumadewi Teknik Industri, Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta ha_purnomo@fti.uii.ac.id,
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciPendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner
Vol. 7, 2, 108-117, Januari 2011 Pendekatan Algoritma Genetika pada Peminimalan Fungsi Ackley menggunakan Representasi Biner Jusmawati Massalesse Abstrak Tulisan ini dimaksudkan untuk memperlihatkan proses
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciOptimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun Pratama Menggunakan Algoritma Genetika
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 80-84 http://j-ptiik.ub.ac.id Optimasi Pemilihan Pekerja Bangunan Proyek Pada PT. Citra Anggun
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciTEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA. Oleh Dian Sari Reski 1, Asrul Sani 2, Norma Muhtar 3 ABSTRACT
TEKNIK PENJADWALAN KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh Dian Sari Reski, Asrul Sani 2, Norma Muhtar 3 ABSTRACT Scheduling problem is one type of allocating resources problem that exist to
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Penyelesaian Masalah Penugasan dengan Algoritma Genetika Zainudin Zukhri Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciPENGENALAN ALGORITMA GENETIK
PENGENALAN ALGORITMA GENETIK Aries Syamsuddin ariesmipa@psyon.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan secara bebas untuk tujuan bukan komersial
Lebih terperinciPenerapan Algoritma Genetika dalam Job Shop Scheduling Problem
Penerapan Algoritma Genetika dalam Job Shop Scheduling Problem Haris Sriwindono Program Studi Ilmu Komputer Universitas Sanata Dharma Paingan, Maguwoharjo, Depok Sleman Yogyakarta, Telp. 0274-883037 haris@staff.usd.ac.id
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciOPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI PERSEDIAAN BAJU MENGGUNAKAN ALGORITMA GENETIKA andra Aditya 1), Wayan Firdaus Mahmudy 2) 1) Program Studi Teknik Informatika, Fakultas Ilmu Komputer Malang Jl. Veteran, Malang 65145, Indonesia
Lebih terperinciABSTRAK. Job shop scheduling problem merupakan salah satu masalah. penjadwalan yang memiliki kendala urutan pemrosesan tugas.
ABSTRAK Job shop scheduling problem merupakan salah satu masalah penjadwalan yang memiliki kendala urutan pemrosesan tugas. Pada skripsi ini, metode yang akan digunakan untuk menyelesaikan job shop scheduling
Lebih terperinciPENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR
PENGGUNAAN ALGORITMA GENETIKA UNTUK MENENTUKAN LINTASAN TERPENDEK STUDI KASUS : LINTASAN BRT (BUS RAPID TRANSIT) MAKASSAR Karels, Rheeza Effrains 1), Jusmawati 2), Nurdin 3) karelsrheezaeffrains@gmail.com
Lebih terperinciPerancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Penjadwalan Asisten Dosen Menggunakan Algoritma Genetika (Studi Kasus: STIKOM Bali) I Made Budi Adnyana
Lebih terperinciPerancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika
Perancangan Dan Pembuatan Aplikasi Rekomendasi Jadwal Perkuliahan Pada Institut Informatika Indonesia Memanfaatkan Algoritma Genetika Hermawan Andika, S.Kom., M.Kom. Jurusan Teknik Informatika Institut
Lebih terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA
PENERAPAN ALGORITMA GENETIKA UNTUK MENENTUKAN BIAYA MINIMAL DISTRIBUSI BARANG TIGA TAHAP PT. SEMEN TONASA Andi Baharuddin 1, Aidawayati Rangkuti 2, Armin Lawi 3 Program Studi Matematika, Jurusan Matematika,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP
PENERAPAN ALGORITMA GENETIKA UNTUK PERMASALAHAN OPTIMASI DISTRIBUSI BARANG DUA TAHAP Riska Sulistiyorini ), Wayan Firdaus Mahmudy ), Program Studi Teknik Informatika Program Teknologi Informasi dan Ilmu
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciAPLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
APLIKASI UNTUK PREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN ALGORITMA GENETIKA, STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS Hafid Hazaki 1, Joko Lianto Buliali 2, Anny Yuniarti 2
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinciBAB I PENDAHULUAN. sejumlah aktivitas kuliah dan batasan mata kuliah ke dalam slot ruang dan waktu
18 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penjadwalan merupakan kegiatan administrasi utama di berbagai institusi. Masalah penjadwalan merupakan masalah penugasan sejumlah kegiatan dalam periode
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI SKRIPSI
Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI ALGORITMA GENETIKA DALAM PENENTUAN DOSEN PEMBIMBING SEMINAR HASIL PENELITIAN DAN DOSEN PENGUJI
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teori-teori yang dibahas mengenai optimisasi, pengertian penjadwalan,
Lebih terperinciAlgoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial
Algoritma Genetika dan Penerapannya dalam Mencari Akar Persamaan Polinomial Muhammad Abdy* 1, Maya Sari Wahyuni* 2, Nur Ilmi* 3 1,2,3 Jurusan Matematika, Universitas Negeri Makassar e-mail: * 1 m.abdy@unm.ac.id,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM
PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciBAB II KAJIAN TEORI. berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic
BAB II KAJIAN TEORI Kajian teori pada bab ini membahas tentang pengertian dan penjelasan yang berkaitan dengan optimasi, pemrograman linear, pemrograman nonlinear, quadratic programming dan algoritma genetika.
Lebih terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciOleh : SUPRIYONO
1 Oleh : SUPRIYONO 5110201024 LATAR BELAKANG Teknologi Informasi merupakan perihal yang sangat penting bagi perusahaan karena dapat digunakan dalam pengambilan suatu keputusan Menurut (Boehm,1991) mengidentifikasi
Lebih terperinciPEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 3 No. 1 Hal. 98 106 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMAMPATAN MATRIKS JARANG DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL YOSI PUTRI, NARWEN
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciPENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA)
Penjadwalan Ujian Akhir Semester dengan Algoritma Genetika PENJADWALAN UJIAN AKHIR SEMESTER DENGAN ALGORITMA GENETIKA (STUDI KASUS JURUSAN TEKNIK INFORMATIKA UNESA) Anita Qoiriah Jurusan Teknik Informatika,
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciSatrio Agung Wicaksono 1, R. Arief Setiyawan 1, Budi Darma Setiyawan 1, Ari Hernawan 1, Rizal Setya Perdana 1
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 1, No. 2, Oktober 214 hlm. 78-82 PENJADWALAN PERKULIAHAN DENGAN PENDEKATAN EVOLUTIONARY ALGORITHM (STUDI KASUS: SISTEM INFORMASI AKADEMIK (SIAKAD)
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciPenjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam. penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut
BAB I PENDAHULUAN A. Latar Belakang Penjadwalan kegiatan merupakan pekerjaan yang tidak mudah, karena dalam penyusunannya memerlukan perencanaan yang matang agar kegiatan tersebut terlaksana dengan optimal.
Lebih terperinciKONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN
Jurnal Teknik dan Ilmu Komputer KONSEP ALGORITMA GENETIK BINER UNTUK OPTIMASI PERENCANAAN JADWAL KEGIATAN PERKULIAHAN (Binary Genetic Algorithm Concept to Optimize Course Timetabling) Iwan Aang Soenandi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciProsiding Matematika ISSN:
Prosiding Matematika ISSN: 2460-6464 Representasi Matriks untuk Proses Crossover Pada Algoritma Genetika untuk Optimasi Travelling Salesman Problem Matrix Representation for The Crossover on Genetic Algorithm
Lebih terperinciISSN VOL. 12, NO. 2, OKTOBER 2011
ANALISIS OPTIMASI PENJADWALAN JAGA DOKTER RESIDEN PENYAKIT DALAM PADA RUMAH SAKIT PENDIDIKAN Erlanie Sufarnap 1, Sudarto 2 STMIK Mikroskil Jl. Thamrin No. 112, 124, 140 Medan 20212 airlanee@yahoo.com 1,
Lebih terperinciPenjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciPENYUSUNAN ALGORITMA UNTUK OPTIMISASI JADWAL UJIAN DENGAN METODA ALGORITMA GENETIKA A B S T R A K
PENYUSUNAN ALGORITMA UNTUK OPTIMISASI JADWAL UJIAN DENGAN METODA ALGORITMA GENETIKA Esmeralda C. Djamal dan Melania S. Muntini A B S T R A K Penyusunan jadwal merupakan suatu masalah yang kompleks, sehingga
Lebih terperinciPenerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap
Penerapan algoritma evolution strategies untuk optimasi distribusi barang dua tahap Candra Bella Vista 1, Wayan Firdaus Mahmudy 2 Program Studi Informatika / Ilmu Komputer Fakultas Ilmu Komputer Universitas
Lebih terperinciOPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS
OPTIMASI POLA PENYUSUNAN BARANG DALAM RUANG TIGA DIMENSI MENGGUNAKAN METODE GENETIC ALGORITHMS Kartika Gunadi, Irwan Kristanto Julistiono Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai pedoman perawatan adalah sebuah panduan sebagaimana
BAB II LANDASAN TEORI 2. Konsep Perawatan Pesawat Fokker F27 Buku Pedoman Perawatan yang diberikan oleh pabrik yang akan digunakan sebagai pedoman perawatan adalah sebuah panduan sebagaimana layaknya sebuah
Lebih terperinciOptimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi
Optimasi Metode Fuzzy Dengan Algoritma Genetika Pada Kontrol Motor Induksi Rahman Aulia Universitas Sumatera Utara Pasca sarjana Fakultas Ilmu Komputer Medan, Indonesia Rahmanaulia50@gmail.com Abstract
Lebih terperinciMODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER
MODEL PENYELESAIAN JOB SHOP SCHEDULING PROBLEM MENGGUNAKAN METODE LOCAL SEARCH ALGORITHM DENGAN CROSS OVER Amiluddin Zahri Dosen Universtas Bina Darma Jalan Ahmad Yani No.3 Palembang Sur-el: amiluddin@binadarma.ac.id
Lebih terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih terperinciPenjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) A-127 Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS Wiga Ayu Puspaningrum, Arif Djunaidy, dan Retno
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciPENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
Lebih terperinciOPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM
OPTIMALISASI SOLUSI TERBAIK DENGAN PENERAPAN NON-DOMINATED SORTING II ALGORITHM Poetri Lestari Lokapitasari Belluano poe3.setiawan@gmail.com Universitas Muslim Indonesia Abstrak Non Dominated Sorting pada
Lebih terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciPencarian Rute Optimum Menggunakan Algoritma Genetika
Jurnal Teknik Elektro Vol. 2, No. 2, September 2002: 78-83 Pencarian Rute Optimum Menggunakan Algoritma Genetika Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
Lebih terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciArif Munandar 1, Achmad Lukman 2 1 Teknik Informatika STMIK El Rahma Yogyakarta, Teknik Informatika STMIK El Rahma Yogyakarta
PENJADWALAN MATAKULIAH DENGAN ALGORITMA GENETIKA MENGGUNAKAN FRAMEWORK CODEIGNITER (STUDI KAUS PROGRAM STUDI S PENDIDIKAN AGAMA ISLAM UNIVERSITAS ALMA ATA YOGYAKARTA) Arif Munandar, Achmad Lukman 2 Teknik
Lebih terperinciMENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG
MENGUKUR KINERJA ALGORITMA GENETIK PADA PEMAMPATAN MATRIKS JARANG Nico Saputro dan Joice Aritonang Email : nico@home.unpar.ac.id, jo_aritonang@yahoo.com A matrix that has lots of zero elements is called
Lebih terperinciOptimasi Multiple Travelling Salesman Problem Pada Pendistribusian Air Minum Menggunakan Algoritme Genetika (Studi Kasus: UD.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 9, Juni 2017, hlm. 849-858 http://j-ptiik.ub.ac.id Optimasi Multiple Travelling Salesman Problem Pada Pendistribusian
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciPEMILIHAN KOMBINASI PRODUK KOSMETIKA MENGGUNAKAN ALGORITMA GENETIKA
PEMILIHAN KOMBINASI PRODUK KOSMETIKA MENGGUNAKAN ALGORITMA GENETIKA Yudhi Purwananto, Diana Purwitasari, Putu Utami Ardarini S Jurusan Teknik Inormatika, Fakultas Teknologi Inormasi, Institut Teknologi
Lebih terperinciPenerapan Algoritma Genetika pada Permainan Rubik s Cube
Penerapan Algoritma Genetika pada Permainan Rubik s Cube Abigael Angela Pardede 1, Shanny Avelina Halim 2, Denny Nugrahadi 3 Laboratorium Ilmu dan Rekayasa Komputasi Departemen Teknik Informatika, Institut
Lebih terperinciPenjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Jurnal Telematika, vol.9 no.1, Institut Teknologi Harapan Bangsa, Bandung ISSN: 1858-251 Penjadwalan Job Shop pada Empat Mesin Identik dengan Menggunakan Metode Shortest Processing Time dan Genetic Algorithm
Lebih terperinciOPERATION RESEARCH-1
OPERATION RESEARCH-1 Prof.Dr.H.M.Yani Syafei,MT MATERI PERKULIAHAN 1.Pemrograman Linier (Linear Programming) Formulasi Model Penyelesaian dengan Metode Grafis Penyelesaian dengan Algoritma Simplex Penyelesaian
Lebih terperinciPENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN
PENEMPATAN MAHASISWA PESERTA MATA KULIAH UMUM DENGAN ALGORITMA GENETIK DI UNIVERSITAS KATOLIK PARAHYANGAN Nico Saputro dan Guntur Setia Negara Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Algoritma Genetika Algoritma Genetika merupakan suatu algoritma yang terinspirasi dari teori evolusi Darwin yang menyatakan bahwa kelangsungan hidup suatu makhluk dipengaruhi
Lebih terperinciAPLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN
APLIKASI ALGORITMA GENETIKA DALAM MENENTUKAN SPESIFIKASI PC BERDASARKAN KEMAMPUAN FINANSIAL KONSUMEN Eva Haryanty, S.Kom. ABSTRAK Komputer adalah salah satu peralatan yang pada saat ini banyak pula digunakan
Lebih terperinciOptimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013 Dengan Algoritme Genetika (Studi Kasus: SMA Negeri 3 Surakarta)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1535-1542 http://j-ptiik.ub.ac.id Optimasi Penjadwalan Mata Pelajaran Pada Kurikulum 2013
Lebih terperinci